CN108763266B - 一种基于图像特征提取的商标检索方法 - Google Patents

Abstract

本发明提供一种基于图像特征提取的商标检索方法，包括：获取所有样本商标；对样本商标进行图像的分割；对样本商标的图像进行特征提取；根据提取的特征，针对样本商标的图像部分建立图像特征数据库；获取待测商标；按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。在图像特征提取的步骤中采用改进的梯度方向直方图特征提取、合理设定多尺度滑窗的规格及滑动步长，可以明显提高特征鲁棒性，同时提高检索准确性。

Description

一种基于图像特征提取的商标检索方法

技术领域

本发明涉及一种基于图像特征提取的商标检索方法，属于信息检索技术领域。

背景技术

商标是公司、产品或服务的标志，与企业的商品质量、服务质量、经营管理融为一体，在工商业社会中起着非常重要的作用，是公司及其产品的一个重要属性，具有唯一性。为使商标得到合法的保护，必须向商标局正式注册。随着我国经济的发展和全球化进程的加快，商标数量逐年递增。防止重复注册或相似商标注册是商标管理的核心问题。为了保护注册商标的合法权益，打击仿冒盗用注册商标的违法行为，需要对待注册的商标进行检索，与已注册的商标进行比较，确定二者不相同或者不相近似，才具有注册资格。

商标的识别检索是信息检索领域的热点问题，在商标检索的特征提取步骤中，传统的方向量化方法过于严苛，导致梯度方向量化后的特征鲁棒性较差，对方向较为敏感。

发明内容

本发明的目的是提供一种基于图像特征提取的商标检索方法，在图像特征提取的步骤中采用改进的梯度方向直方图特征提取、多尺度滑窗的规格及滑动步长的合理设定，可以明显提高特征鲁棒性，同时提高检索准确性。

一种基于图像特征提取的商标检索方法，包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

三、对样本商标的图像进行特征提取；

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。

所述的对样本商标的图像进行特征提取，具体为多尺度特征提取。

所述的多尺度特征提取，包括：梯度方向直方图特征提取；多尺度滑窗的规格及滑动步长的合理设定。

所述的多尺度特征提取，包括如下步骤：

(a)自定义多尺度滑窗的规格和滑动步长；

(b)按照步骤(a)定义的多尺度滑窗的大小，将每个滑动窗口以图像左上角为起点，按照滑动步长依次从左到右从上到下滑动，取得一系列局部窗口图像；

(c)对于步骤(b)中得到的每个局部窗口图像提取区域图像特征。

所述的梯度方向直方图特征提取具体为基于模糊量化方法的梯度方向直方图特征提取。

所述的基于模糊量化方法的梯度方向直方图特征提取，包括如下步骤：

①对于任一图像窗口，计算水平和垂直方向的梯度；

②量化梯度方向，得到梯度方向直方图；

③计算归一化梯度方向直方图。

所述的计算归一化梯度方向直方图，分为三种方法：

方法一：基于目标像素点总数的归一化方法。

方法二：基于区域面积参数的归一化方法。

方法三：基于目标像素点总数及区域面积参数二者结合的归一化方法。

本发明提供的基于图像特征提取的商标检索方法对图形特征的提取更加详尽，快速有效且识别率更高，克服了现有技术存在的识别结果误差较大的问题。

附图说明

图1：实施例1-5量化的梯度方向示意图。

具体实施方式

实施例1：

一种基于图像特征提取的商标检索方法，包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

基于连通域投影法：基于连通域投影的文字消除方法是将连通域分解所得到的子图像沿水平方向投影，然后按照投影的结果分层，确定图形所在的层且保留该层。

三、对样本商标的图像进行特征提取；

1.自定义多尺度滑窗的规格和滑动步长:设输入图像I_w×h，滑动窗口的多种尺度定义如表1.1(实验中，σ₁＝0.8,σ₂＝0.6,σ₃＝0.4)，滑动步长参数μ(实验中μ取0.1，滑窗水平方向步长step_x＝wμ，垂直方向步长step_y＝hμ。

1.1多尺度滑动窗口大小表

2.按照上述定义的多尺度滑窗的大小，将每个滑动窗口以图像 I_w×h左上角为起点，按照滑动步长step_x、step_y依次从左到右从上到下滑动，取得一系列局部窗口图像(共计t个)集合R＝{R_i},i＝ 0,1,…,t.

3.对于2中得到的每个局部窗口图像R_i提取区域图像特征f_i。

(1)特征一：基于模糊量化方法的梯度方向直方图特征。

①对于任一图像窗口R_i，计算水平和垂直方向的梯度。

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)。

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度。

②量化梯度方向，得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图。

我们提出一种模糊量化方法，将一个梯度方向量化至其相邻的两个bin中，即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为

量化至θ_k+1的分量为

将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所有像素点的模糊梯度方向得到梯度方向直方图。

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图。

方法一：基于目标像素点总数的归一化方法。

R_i梯度方向直方图

归一化直方图为

该直方图归一化方法使特征具有良好的尺度一致性，同时体现出各个梯度方向相对统计分布信息。

④直方图特征编码。经过步骤③得到R_i的归一化直方图

其中0＜h_uj＜1,j＝0,1,…,7。为了节约计算机计算资源，将上述浮点数据进行编码。

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1)，该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为：0000,0001,0011,0111,1111.

编码之后将各个bin的码字级联得到为一段长度为4×8＝32位的二进制串

即f_i。

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

在针对样本商标的图像进行特征提取之后，根据所提取的特征，针对样本商标的图像建立图像特征数据库。

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

同步骤二、三。

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。

可以根据实际情况的需要对商标的图像部分设置相似度阈值，在图像特征数据库中进行相似度检索。

实施例2：

一种基于图像特征提取的商标检索方法，包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

基于结构的子图抽取法：对于横向商标图像，首先计算图像的宽高比并判断是否大于给定的阈值，对宽高比较大的图像(大于阈值)，确定该图像的结构，如果满足事先给定的结构，则保留相应的图像部分。对于纵向商标图像，可将商标图像逆时针旋转90度，然后按照横向商标图像的方法处理。

三、对样本商标的图像进行特征提取；

1.自定义多尺度滑窗的规格和滑动步长:设输入图像I_w×h，滑动窗口的多种尺度定义如表1.1(实验中，σ₁＝0.8,σ₂＝0.6,σ₃＝0.4)，滑动步长参数μ(实验中μ取0.2)，滑窗水平方向步长step_x＝wμ，垂直方向步长step_y＝hμ。

1.1多尺度滑动窗口大小表

2.按照上述定义的多尺度滑窗的大小，将每个滑动窗口以图像 I_w×h左上角为起点，按照滑动步长step_x、step_y依次从左到右从上到下滑动，取得一系列局部窗口图像(共计t个)集合R＝{R_i},i＝ 0,1,…,t.

3.对于2中得到的每个局部窗口图像R_i提取区域图像特征f_i。

(1)特征一：基于模糊量化方法的梯度方向直方图特征。

①对于任一图像窗口R_i，计算水平和垂直方向的梯度。

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)。

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度。

②量化梯度方向，得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图。

我们提出一种模糊量化方法，将一个梯度方向量化至其相邻的两个bin中，即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为

量化至θ_k+1的分量为

将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所有像素点的模糊梯度方向得到梯度方向直方图。

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图。

方法二：基于区域面积参数的归一化方法。

R_i的大小为w_i×h_i，梯度方向直方图

面积参数

基于面积参数的归一化直方图为

面积参数通过面积开方来计算将使特征具有相对较好的尺度一致性。基于面积参数的直方图归一化方法，既包含了特征窗口中边缘信息的丰富程度，又可反映各个梯度方向统计分布信息，单个bin的变化不会影响其他bin的值。缺点是各个bin之间的差异性可能缩小，对于边缘丰富的窗口，每个bin的取值相对较大，存在多个较大值；而对于边缘比较稀疏的窗口，每个bin的取值都较小，存在多个较小值。

④直方图特征编码。经过步骤③得到R_i的归一化直方图

其中0＜h_uj＜1,j＝0,1,…,7。为了节约计算机计算资源，将上述浮点数据进行编码。

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1)，该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为：0000,0001,0011,0111,1111.

编码之后将各个bin的码字级联得到为一段长度为4×8＝32位的二进制串

即f_i。

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

在针对样本商标的图像进行特征提取之后，根据所提取的特征，针对样本商标的图像建立图像特征数据库。

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

同步骤二、三。

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。

可以根据实际情况的需要对商标的图像部分设置相似度阈值，在图像特征数据库中进行相似度检索。

实施例3：

一种基于图像特征提取的商标检索方法，包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

基于连通域投影法：基于连通域投影的文字消除方法是将连通域分解所得到的子图像沿水平方向投影，然后按照投影的结果分层，确定图形所在的层且保留该层。

三、对样本商标的图像进行特征提取；

1.自定义多尺度滑窗的规格和滑动步长:设输入图像I_w×h，滑动窗口的多种尺度定义如表1.1(实验中，σ₁＝0.8,σ₂＝0.6,σ₃＝0.4)，滑动步长参数μ(实验中μ取0.2)，滑窗水平方向步长step_x＝wμ，垂直方向步长step_y＝hμ。

1.1尺度滑动窗口大小表

2.按照上述定义的多尺度滑窗的大小，将每个滑动窗口以图像 I_w×h左上角为起点，按照滑动步长step_x、step_y依次从左到右从上到下滑动，取得一系列局部窗口图像(共计t个)集合R＝{R_i},i＝ 0,1,…,t.

3.对于2中得到的每个局部窗口图像R_i提取区域图像特征f_i。

(1)特征一：基于模糊量化方法的梯度方向直方图特征。

①对于任一图像窗口R_i，计算水平和垂直方向的梯度。

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)。

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度。

②量化梯度方向，得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图。

我们提出一种模糊量化方法，将一个梯度方向量化至其相邻的两个bin中，即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为

量化至θ_k+1的分量为

将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所有像素点的模糊梯度方向得到梯度方向直方图。

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图。

方法三：基于目标像素点总数及区域面积参数二者结合的归一化方法。

基于以上分析，将两种归一化方法相结合，既保证各个bin之间的相对独立性，又兼顾各个bin统计分布的差异性。

R_i的大小为w_i×h_i，梯度方向直方图

基于目标像素总数的归一化直方图为

基于面积参数

的归一化直方图为

则结合二者的归一化直方图定义为：

0＜w₁,w₂＜1；w₁+w₂＝1

其中α＝0.125为8方向归一化直方图的均值。

④直方图特征编码。经过步骤③得到R_i的归一化直方图

其中0＜h_uj＜1,j＝0,1,…,7。为了节约计算机计算资源，将上述浮点数据进行编码。

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1)，该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为：0000,0001,0011,0111,1111.

编码之后将各个bin的码字级联得到为一段长度为4×8＝32位的二进制串

即f_i。

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

在针对样本商标的图像进行特征提取之后，根据所提取的特征，针对样本商标的图像建立图像特征数据库。

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

同步骤二、三。

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。

可以根据实际情况的需要对商标的图像部分设置相似度阈值，在图像特征数据库中进行相似度检索。

实施例4：

一种基于图像特征提取的商标检索方法，包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

基于结构的子图抽取法：对于横向商标图像，首先计算图像的宽高比并判断是否大于给定的阈值，对宽高比较大的图像(大于阈值)，确定该图像的结构，如果满足事先给定的结构，则保留相应的图像部分。对于纵向商标图像，可将商标图像逆时针旋转90度，然后按照横向商标图像的方法处理。

三、对样本商标的图像进行特征提取；

1.自定义多尺度滑窗的规格和滑动步长:设输入图像I_w×h，滑动窗口的多种尺度定义如表1.1(实验中，σ₁＝0.8,σ₂＝0.6,σ₃＝0.4)，滑动步长参数μ(实验中μ取0.1)，滑窗水平方向步长step_x＝wμ，垂直方向步长step_y＝hμ。

1.1多尺度滑动窗口大小表

2.按照上述定义的多尺度滑窗的大小，将每个滑动窗口以图像 I_w×h左上角为起点，按照滑动步长step_x、step_y依次从左到右从上到下滑动，取得一系列局部窗口图像(共计t个)集合R＝{R_i},i＝ 0,1,…,t.

3.对于2中得到的每个局部窗口图像R_i提取区域图像特征f_i。

(1)特征一：基于模糊量化方法的梯度方向直方图特征。

①对于任一图像窗口R_i，计算水平和垂直方向的梯度。

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)。

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度。

②量化梯度方向，得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图。

我们提出一种模糊量化方法，将一个梯度方向量化至其相邻的两个bin中，即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为

量化至θ_k+1的分量为

将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所有像素点的模糊梯度方向得到梯度方向直方图。

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图。

方法一：基于目标像素点总数的归一化方法。

R_i梯度方向直方图

归一化直方图为

该直方图归一化方法使特征具有良好的尺度一致性，同时体现出各个梯度方向相对统计分布信息。缺点是某个bin梯度点数目的变化将影响整体直方图的相对统计分布。

④直方图特征编码。经过步骤③得到R_i的归一化直方图

其中0＜hu_j＜1,j＝0,1,…,7。为了节约计算机计算资源，将上述浮点数据进行编码。

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1)，该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为：0000,0001,0011,0111,1111.

编码之后将各个bin的码字级联得到为一段长度为4×8＝32位的二进制串

即f_i。

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

在针对样本商标的图像进行特征提取之后，根据所提取的特征，针对样本商标的图像建立图像特征数据库。

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

同步骤二、三。

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。

可以根据实际情况的需要对商标的图像部分设置相似度阈值，在图像特征数据库中进行相似度检索。

实施例5：

一种基于图像特征提取的商标检索方法，包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

基于连通域投影法：基于连通域投影的文字消除方法是将连通域分解所得到的子图像沿水平方向投影，然后按照投影的结果分层，确定图形所在的层且保留该层。

三、对样本商标的图像进行特征提取；

1.自定义多尺度滑窗的规格和滑动步长:设输入图像I_w×h，滑动窗口的多种尺度定义如表1.1(实验中，σ₁＝0.8,σ₂＝0.6,σ₃＝0.4)，滑动步长参数μ(实验中μ取0.2)，滑窗水平方向步长step_x＝wμ，垂直方向步长step_y＝hμ。

1.1多尺度滑动窗口大小表

2.按照上述定义的多尺度滑窗的大小，将每个滑动窗口以图像 I_w×h左上角为起点，按照滑动步长step_x、step_y依次从左到右从上到下滑动，取得一系列局部窗口图像(共计t个)集合R＝{R_i},i＝ 0,1,…,t.

3.对于2中得到的每个局部窗口图像R_i提取区域图像特征f_i。

(1)特征一：基于模糊量化方法的梯度方向直方图特征。

①对于任一图像窗口R_i，计算水平和垂直方向的梯度。

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)。

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度。

②量化梯度方向，得到梯度方向直方图。将①中得到的梯度方向根据说明书附图1示意的8方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图。

我们提出一种模糊量化方法，将一个梯度方向量化至其相邻的两个bin中，即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为

量化至θ_k+1的分量为

将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所有像素点的模糊梯度方向得到梯度方向直方图。

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图。

方法二：基于区域面积参数的归一化方法。

R_i的大小为w_i×h_i，梯度方向直方图

面积参数

基于面积参数的归一化直方图为

面积参数通过面积开方来计算将使特征具有相对较好的尺度一致性。基于面积参数的直方图归一化方法，既包含了特征窗口中边缘信息的丰富程度，又可反映各个梯度方向统计分布信息，单个bin的变化不会影响其他bin的值。缺点是各个bin之间的差异性可能缩小，对于边缘丰富的窗口，每个bin的取值相对较大，存在多个较大值；而对于边缘比较稀疏的窗口，每个bin的取值都较小，存在多个较小值。

④直方图特征编码。经过步骤③得到R_i的归一化直方图

其中0＜h_uj＜1,j＝0,1,…,7。为了节约计算机计算资源，将上述浮点数据进行编码。

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1)，该量化区间的计算由当前样本集合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为：0000,0001,0011,0111,1111.

编码之后将各个bin的码字级联得到为一段长度为4×8＝32位的二进制串

即f_i。

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

在针对样本商标的图像进行特征提取之后，根据所提取的特征，针对样本商标的图像建立图像特征数据库。

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

同步骤二、三。

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果。

可以根据实际情况的需要对商标的图像部分设置相似度阈值，在图像特征数据库中进行相似度检索。

Claims (5)

1.一种基于图像特征提取的商标检索方法，其特征为：包括以下步骤：

一、获取所有样本商标；

二、对样本商标进行图像的分割；

三、对样本商标的图像进行特征提取；

四、根据提取的特征，针对样本商标的图像部分建立图像特征数据库；

五、获取待测商标；

六、按照与样本商标相同的步骤，对待测商标进行图像的分割以及特征提取；

七、根据待测商标的图像特征，分别在图像特征数据库中进行相似度检索，获得相似度检索结果；

所述的对样本商标的图像进行特征提取，包括多尺度特征提取；

所述的多尺度特征提取，包括：梯度方向直方图特征提取；

所述的梯度方向直方图特征提取具体为基于模糊量化方法的梯度方向直方图特征提取：

①对于任一图像窗口R_i，计算水平和垂直方向的梯度

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)，

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度；

②量化梯度方向，得到梯度方向直方图，将①中得到的梯度方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图，

将一个梯度方向量化至其相邻的两个bin中，即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)，其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为

量化至θ_k+1的分量为

将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所有像素点的模糊梯度方向得到梯度方向直方图，

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图

基于目标像素点总数的归一化方法：

R_i梯度方向直方图

归一化直方图为

该直方图归一化方法使特征具有良好的尺度一致性，同时体现出各个梯度方向相对统计分布信息，

④直方图特征编码

经过步骤③得到R_i的归一化直方图

其中0＜h_uj＜1,j＝0,1,…,7，为了节约计算机计算资源，将上述浮点数据进行编码，

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间(0,0.098),(0.098,0.134),(0.134,0.18),(0.18,0.24),(0.24,1)，该量化区间的计算由当前样本集合进行统计计算实验得到，对落在这5个区间的数据进行编码分别为：0000,0001,0011,0111,1111.Hist_u-Ri＝{h_u0,h_u1,…,h_u7}编码之后将各个bin的码字级联得到为一段长度为4×8＝32位的二进制串

即f_i。

2.如权利要求1所述的一种基于图像特征提取的商标检索方法，其特征为：所述的多尺度特征提取，包括：采用多尺度滑窗分割图像，并设定滑窗的规格及滑动步长。

3.如权利要求2所述的一种基于图像特征提取的商标检索方法，其特征为：所述的多尺度特征提取，包括如下步骤：

(a)自定义多尺度滑窗的规格和滑动步长；

(b)按照步骤(a)定义的多尺度滑窗的大小，将每个滑动窗口以图像左上角为起点，按照滑动步长依次从左到右从上到下滑动，取得一系列局部窗口图像；

(c)对于步骤(b)中得到的每个局部窗口图像提取区域图像特征。

4.如权利要求1所述的一种基于图像特征提取的商标检索方法，其特征为：所述的计算归一化梯度方向直方图，具体为基于区域面积参数的归一化方法。

5.如权利要求1所述的一种基于图像特征提取的商标检索方法，其特征为：所述的计算归一化梯度方向直方图，具体为基于目标像素点总数及区域面积参数二者结合的归一化方法。

Images